| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 主要符号与英文缩略词对照表 | 第20-22页 |
| 第一章 绪论 | 第22-32页 |
| 1.1 课题的背景和意义 | 第22-23页 |
| 1.2 智能交通系统概述 | 第23-25页 |
| 1.3 支持向量机概述 | 第25-26页 |
| 1.4 多核学习概述 | 第26-27页 |
| 1.5 分类器集成概述 | 第27-28页 |
| 1.6 本文的主要工作与创新 | 第28-30页 |
| 1.7 论文结构 | 第30-32页 |
| 第二章 交通数据来源及其预处理 | 第32-44页 |
| 2.1 交通流参数的类型 | 第32-33页 |
| 2.1.1 流量 | 第32页 |
| 2.1.2 速度 | 第32-33页 |
| 2.1.3 密集度 | 第33页 |
| 2.2 交通流参数的检测设备 | 第33-36页 |
| 2.2.1 地感线圈检测器 | 第34页 |
| 2.2.2 视频交通检测器 | 第34-35页 |
| 2.2.3 激光交通检测器 | 第35-36页 |
| 2.2.4 微波雷达检测器 | 第36页 |
| 2.2.5 超声波检测器 | 第36页 |
| 2.2.6 红外检测器 | 第36页 |
| 2.3 实验数据来源 | 第36-39页 |
| 2.3.1 I-880数据库 | 第37页 |
| 2.3.2 Pe MS数据库 | 第37-38页 |
| 2.3.3 Shanghai EXPO数据库 | 第38页 |
| 2.3.4 Shanghai SCATS数据库 | 第38-39页 |
| 2.3.5 SVLD数据库 | 第39页 |
| 2.4 数据预处理 | 第39-43页 |
| 2.4.1 数据插值 | 第41页 |
| 2.4.2 噪声数据滤除 | 第41-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 多核支持向量机及分类器集成 | 第44-68页 |
| 3.1 标准支持向量机 | 第44-52页 |
| 3.1.1 处理线性分类问题的情形 | 第44-47页 |
| 3.1.2 处理非线性分类问题的情形 | 第47-52页 |
| 3.2 标准支持向量机核函数及参数的选择 | 第52-53页 |
| 3.3 多核支持向量机 | 第53-62页 |
| 3.3.1 多核支持向量机问题的导出 | 第53-54页 |
| 3.3.2 多核支持向量机问题的求解 | 第54-62页 |
| 3.4 分类器集成方法 | 第62-66页 |
| 3.4.1 分类器集成的主要思想 | 第62页 |
| 3.4.2 独立分类器的训练 | 第62-64页 |
| 3.4.3 独立分类器输出的复合 | 第64页 |
| 3.4.4 标准支持向量机集成 | 第64-65页 |
| 3.4.5 多核支持向量机集成 | 第65-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第四章 多核支持向量机及分类器集成在交通事件检测中的应用 | 第68-92页 |
| 4.1 交通事件检测方法综述 | 第68-69页 |
| 4.2 交通事件检测问题与二元分类问题之间的关系 | 第69-70页 |
| 4.3 本文中比较的交通事件检测算法 | 第70页 |
| 4.4 交通事件检测算法的性能评价准则 | 第70-72页 |
| 4.4.1 检测率 | 第71页 |
| 4.4.2 错误报警率 | 第71页 |
| 4.4.3 平均检测时间 | 第71页 |
| 4.4.4 分类正确率 | 第71页 |
| 4.4.5 AUC | 第71-72页 |
| 4.4.6 性能指数 | 第72页 |
| 4.5 实验与算法的性能比较 | 第72-89页 |
| 4.5.1 实验中的符号和参数 | 第72-73页 |
| 4.5.2 实验的基本步骤 | 第73-74页 |
| 4.5.3 在高速道路交通事件检测中的应用 | 第74-77页 |
| 4.5.4 在市区道路交通事件检测中的应用 | 第77-82页 |
| 4.5.5 交通事件检测算法的鲁棒性测试 | 第82-89页 |
| 4.6 本章小结 | 第89-92页 |
| 第五章 多核支持向量回归机及其在交通流速度估计中的应用 | 第92-118页 |
| 5.1 标准支持向量回归机 | 第92-98页 |
| 5.1.1 处理线性回归问题的情形 | 第92-96页 |
| 5.1.2 处理非线性回归问题的情形 | 第96-98页 |
| 5.2 多核支持向量回归机 | 第98-100页 |
| 5.3 交通流速度估计问题的提出及研究现状 | 第100-101页 |
| 5.4 本文中比较的交通流速度估计算法 | 第101-103页 |
| 5.4.1 基于多项式拟合的交通流速度估计 | 第101-102页 |
| 5.4.2 基于BP神经网络的交通流速度估计 | 第102-103页 |
| 5.4.3 基于支持向量回归机的交通流速度估计 | 第103页 |
| 5.4.4 基于多核支持向量回归机的交通流速度估计 | 第103页 |
| 5.5 速度估计算法的评价准则 | 第103-104页 |
| 5.5.1 平均绝对误差 | 第104页 |
| 5.5.2 平均绝对百分比误差 | 第104页 |
| 5.5.3 均方根误差 | 第104页 |
| 5.6 交通流速度估计实验与算法性能的比较 | 第104-109页 |
| 5.6.1 实验的基本步骤 | 第105页 |
| 5.6.2 Shanghai SCATS数据库上的实验 | 第105页 |
| 5.6.3 I-880数据库上的实验 | 第105-107页 |
| 5.6.4 Shanghai EXPO数据库上的实验 | 第107页 |
| 5.6.5 实验结果分析及算法性能的比较 | 第107-109页 |
| 5.7 基于交通流速度估计的城市路网动态区域交通指数挖掘 | 第109-114页 |
| 5.7.1 交通指数的定义及其重要性 | 第109-110页 |
| 5.7.2 速度估计与交通指数的关系 | 第110页 |
| 5.7.3 城市路网区域的动态划分 | 第110-111页 |
| 5.7.4 交通指数的计算 | 第111-113页 |
| 5.7.5 交通指数的可视化 | 第113-114页 |
| 5.8 本章小结 | 第114-118页 |
| 第六章 加权多类支持向量机集成及其在车辆标志识别中的应用 | 第118-150页 |
| 6.1 多类支持向量机 | 第118-119页 |
| 6.1.1 两类支持向量机 | 第118-119页 |
| 6.1.2 由两类支持向量机拓展到多类支持向量机 | 第119页 |
| 6.2 加权多类支持向量机集成 | 第119-120页 |
| 6.3 一种基于轮廓尖锐度的图像全局特征提取方法 | 第120-136页 |
| 6.3.1 轮廓尖锐度的定义 | 第120-123页 |
| 6.3.2 基于轮廓尖锐度的自适应角点检测方法 | 第123-129页 |
| 6.3.3 基于轮廓尖锐度的自适应角点检测实验 | 第129-134页 |
| 6.3.4 角点检测算法小结 | 第134-135页 |
| 6.3.5 基于轮廓尖锐度直方图的图像全局特征提取方法 | 第135-136页 |
| 6.4 车辆标志识别的常用方法 | 第136-141页 |
| 6.5 本文中比较的车辆标志识别方法 | 第141页 |
| 6.6 实验与算法性能的比较 | 第141-148页 |
| 6.6.1 数据描述 | 第142页 |
| 6.6.2 实验步骤 | 第142-144页 |
| 6.6.3 实验结果 | 第144-145页 |
| 6.6.4 讨论 | 第145-148页 |
| 6.7 本章小结 | 第148-150页 |
| 第七章 结论与展望 | 第150-154页 |
| 7.1 论文工作总结 | 第150-152页 |
| 7.2 研究展望 | 第152-154页 |
| 参考文献 | 第154-166页 |
| 致谢 | 第166-168页 |
| 攻读博士学位期间发表的学术论文 | 第168-169页 |
